Bitzu

Machine Learning Associate · Algorytmy, potoki i niezbalansowane dane

Dobór algorytmu

Najważniejsze

  • Zacznij od typu problemu: klasyfikacja (etykieta dyskretna), regresja (wartość ciągła), klasteryzacja (brak etykiet, szukanie grup), rekomendacje (preferencje użytkownik-produkt, np. ALS).
  • Potem uwzględnij dane i ograniczenia: modele liniowe są szybkie, dobrze się skalują i łatwo je wyjaśnić; zespoły drzew łapią nieliniowość i cechy mieszane przy małej obróbce, ale są mniej przejrzyste; sieci neuronowe potrzebują więcej danych i strojenia.

Źródło: https://spark.apache.org/docs/latest/ml-classification-regression.html

Przykładowe pytania

Jednokrotny wybór

Sprzedawca ma dane klientów bez etykiet i chce odkryć naturalne grupy podobnych kupujących. Jaki to typ problemu?

  1. Klasteryzacja
  2. Klasyfikacja binarna
  3. Regresja
  4. Prognozowanie szeregów czasowych
Pokaż odpowiedź

Odpowiedź: A. Klasteryzacja

Grupowanie danych bez etykiet to klasteryzacja nienadzorowana (np. k-means). Klasyfikacja i regresja wymagają etykietowanej zmiennej docelowej.

Zaznacz wszystkie poprawne

Które z tych algorytmów Spark ML są nadzorowanymi klasyfikatorami?

  1. RandomForestClassifier
  2. KMeans
  3. NaiveBayes
  4. ALS
  5. LinearSVC
Pokaż odpowiedź

Odpowiedź: A. RandomForestClassifier, C. NaiveBayes, E. LinearSVC

RandomForestClassifier, NaiveBayes i LinearSVC uczą się na danych z etykietami i przewidują klasy. KMeans to klasteryzacja, a ALS to rekomendacje oparte na filtrowaniu kolaboratywnym.

Prawda czy fałsz

Głęboka sieć neuronowa jest zawsze najlepszym wyborem, nawet dla małego zbioru tabelarycznego.

Pokaż odpowiedź

Odpowiedź: Fałsz

Na małych danych tabelarycznych prostsze modele lub zespoły drzew zwykle dorównują sieciom lub je pokonują, uczą się szybciej i są łatwiejsze do wyjaśnienia. Sieci zwykle potrzebują dużo więcej danych.

Przećwicz 8 pytań z tego tematu w Bitzu

Krótkie lekcje, natychmiastowe wyjaśnienia i powtórki tego, w czym się mylisz. Za darmo na iOS i Androida.

Download on the App StoreGet it on Google Play

Więcej tematów Machine Learning Associate w tym module